Los modelos chinos de IA copan los cinco primeros puestos de OpenRouter por uso de tokens

Los modelos chinos de IA ocuparon las cinco primeras posiciones de OpenRouter por uso mensual de tokens, ofreciendo a un titular de Google News una señal competitiva inusualmente contundente. El dominio reportado sitúa a Moonshot AI, DeepSeek, Z.ai y sus pares nacionales por delante en una plataforma para desarrolladores ampliamente observada.

El resultado cuestiona la suposición de que OpenAI, Anthropic y Google controlan automáticamente la adopción de modelos siempre que lideran las principales evaluaciones de capacidades. Los desarrolladores eligen cada vez más modelos por coste, disponibilidad, libertad de despliegue y rendimiento en una carga de trabajo concreta. Los laboratorios chinos compiten en las cuatro dimensiones.

Sin embargo, la clasificación no es un censo del uso mundial de inteligencia artificial. OpenRouter mide la actividad canalizada a través de su propio servicio, no el tráfico directo a ChatGPT, Claude, Gemini ni modelos desplegados de forma privada. Por tanto, la historia real es más acotada, pero más trascendental: los modelos chinos están ganando en un mercado competitivo donde los desarrolladores pueden cambiar de proveedor con relativa facilidad.

Lo que realmente captó el titular de Google News

El resultado entre los cinco primeros refleja un cambio real en el uso de OpenRouter, pero las “llamadas globales a API” describen la ventana de la plataforma, no todo el mercado.

El artículo original de Google News remitía a un breve informe empresarial del 3 de agosto que describía a los modelos chinos como los cinco líderes en llamadas globales a API. Informaciones independientes respaldan la observación central. La clasificación de uso mensual citada por Associated Press también situó a modelos chinos entre los cinco primeros de OpenRouter.

OpenRouter es un servicio unificado de inferencia. Permite a los desarrolladores acceder a modelos de muchas empresas mediante una sola API, una interfaz estándar que el software utiliza para enviar solicitudes. Sus clasificaciones registran el volumen de tokens, es decir, las unidades de texto procesadas como entradas y salidas.

Esta medición es útil porque el consumo de tokens refleja actividad dentro de aplicaciones en funcionamiento. Va más allá de las pruebas de referencia, los anuncios de productos y las encuestas de popularidad de chatbots. Un modelo que procesa un volumen sostenido de tokens probablemente está conectado a aplicaciones, experimentos, agentes o flujos de trabajo automatizados.

OpenRouter también ofrece un entorno inusualmente competitivo. Los desarrolladores pueden comparar modelos sin reconstruir cada integración alrededor de una interfaz de proveedor diferente. Pueden cambiar un identificador de modelo, ajustar los prompts, probar el resultado y redirigir el tráfico cuando mejoran las condiciones económicas.

Esta estructura convierte la clasificación en una medida valiosa de la elección de los desarrolladores. No convierte a OpenRouter en sinónimo del mercado global de API. Las llamadas directas a proveedores de modelos permanecen fuera de su conjunto de datos, al igual que muchos contratos en la nube y despliegues autohospedados.

La distinción importa especialmente para los proveedores estadounidenses. OpenAI, Anthropic y Google distribuyen modelos mediante APIs directas, suscripciones de consumo, acuerdos empresariales y grandes plataformas en la nube. Sus clientes no necesitan enviar solicitudes a través de OpenRouter.

Los modelos chinos de pesos abiertos presentan el problema de medición opuesto. Los pesos abiertos son parámetros de modelos descargables que las organizaciones pueden ejecutar mediante infraestructura que controlan. Esos despliegues privados también son invisibles para OpenRouter, por lo que la plataforma puede infravalorar la adopción en ambos lados.

Por ello, el titular debe leerse como un dominio específico de una plataforma con implicaciones más amplias. Muestra que los modelos chinos pueden dominar cuando los desarrolladores encuentran a muchos proveedores en un mismo mercado. No prueba que lideren todos los negocios de modelos, despliegues empresariales o productos de consumo.

Esta interpretación preserva la parte importante de la noticia. Un mercado diseñado en torno a la elección de modelos está dirigiendo más tráfico hacia sistemas chinos. El resultado genera presión precisamente porque cambiar de proveedor es más fácil allí que dentro de una suite de productos cerrada.

El uso de APIs de IA chinas se está convirtiendo en una señal de costes

El uso de APIs de IA chinas está aumentando a medida que el software agéntico convierte pequeñas diferencias en la economía de inferencia en decisiones operativas recurrentes.

Los agentes de IA realizan tareas de varios pasos en lugar de producir una única respuesta aislada. Un agente de programación podría inspeccionar archivos, proponer cambios, ejecutar pruebas, revisar fallos y volver a intentarlo. Cada paso puede generar otra solicitud al modelo y otro bloque de tokens.

Esa repetición cambia las decisiones de compra. Un modelo que parece asequible durante un chat breve puede encarecerse cuando el software lo invoca decenas de veces para una sola tarea. Los desarrolladores tienen entonces un fuerte incentivo para reservar los sistemas prémium para los pasos más difíciles.

Associated Press informó de que los analistas consideran que la demanda agéntica incrementa la importancia de los modelos rentables. También citó a un usuario empresarial que consideraba que los modelos chinos eran suficientemente capaces para programación, investigación, generación de leads y trabajo relacionado con ventas.

“Lo bastante bueno” no es una categoría despectiva en las operaciones de software. A menudo significa que un producto cumple su umbral de fiabilidad al tiempo que reduce los recursos necesarios para el trabajo repetitivo. La mayoría de las solicitudes de aplicaciones no exige el modelo de razonamiento más potente disponible.

Un flujo de trabajo de soporte podría clasificar solicitudes, recuperar documentos, resumir el historial de una cuenta y redactar una respuesta. Solo un caso ambiguo podría requerir un modelo de frontera. Las etapas menos exigentes pueden generar un enorme uso agregado porque se ejecutan en cada interacción con clientes.

El mismo patrón aparece en el desarrollo de software. Los equipos pueden utilizar un modelo de menor coste para búsqueda de código, documentación, generación de pruebas y revisiones rutinarias. Un modelo cerrado más capaz puede seguir disponible para decisiones de arquitectura o problemas persistentes de depuración.

Los laboratorios chinos han combinado esta oportunidad de carga de trabajo con una distribución abierta o de pesos abiertos. Este enfoque permite a empresas de hosting, servicios en la nube y desarrolladores ofrecer el mismo modelo a través de múltiples proveedores de infraestructura. La competencia se produce entonces tanto en la capa del modelo como en la del hosting.

La investigación de OpenRouter con colaboradores del sector analizó más de 100 billones de tokens procedentes de interacciones reales con modelos. El estudio identificó una creciente adopción de pesos abiertos e inferencia agéntica entre los principales cambios visibles en la actividad de la plataforma.

Los investigadores también subrayaron que su conjunto de datos es observacional. La disponibilidad de modelos, los precios, los lanzamientos y las preferencias de los usuarios determinan lo que aparece en los registros. Un alto volumen de tokens puede reflejar una economía favorable tanto como una inteligencia general superior.

Esta salvedad ayuda a explicar el dominio chino. La clasificación no tiene que significar que cada modelo líder sea la opción más inteligente para todas las tareas. Puede significar que los desarrolladores encuentran atractivos estos modelos para cargas de trabajo de alto volumen con una calidad aceptable.

Esto sigue siendo una amenaza empresarial para los proveedores prémium. El modelo más lucrativo puede gestionar menos tokens si las aplicaciones canalizan los pasos ordinarios hacia otros lugares. Los proveedores pueden conservar las cargas de trabajo difíciles mientras pierden la amplia base de inferencia rutinaria.

La presión se extiende a las empresas de software que ocultan la selección de modelos a sus clientes. Sus equipos de ingeniería pueden distribuir tareas entre varios proveedores para controlar los gastos. Los usuarios finales quizá nunca sepan qué modelo resumió un documento, generó metadatos o clasificó un ticket.

Las organizaciones necesitan visibilidad sobre esas decisiones. Una base de conocimientos de IA con capacidad de búsqueda puede conservar evaluaciones, prompts, reglas de despliegue y el razonamiento de selección de modelos. Ese registro se vuelve importante cuando cambia un proveedor, una política o un nivel de rendimiento.

Por tanto, el mecanismo central no es el prestigio nacional. Es el coste acumulativo de la inferencia automatizada. El uso de APIs de IA chinas aumenta cuando los desarrolladores pueden obtener resultados adecuados manteniendo económicamente sostenibles las llamadas repetidas a modelos.

Los modelos abiertos presionan a las plataformas estadounidenses cerradas

La principal competencia enfrenta la distribución china de pesos abiertos al control estadounidense de plataformas cerradas, no a un laboratorio contra un único rival.

OpenAI, Anthropic y Google han construido negocios sólidos en torno al acceso alojado. Sus modelos más capaces suelen permanecer bajo control de la empresa, y los clientes interactúan mediante aplicaciones, APIs o socios autorizados en la nube.

Los desarrolladores chinos han convertido los lanzamientos de pesos abiertos en una vía central de distribución. DeepSeek ayudó a consolidar internacionalmente la estrategia, mientras Moonshot AI, Z.ai, Alibaba, MiniMax, Xiaomi y Tencent ampliaron el campo. Sus modelos pueden difundirse mediante agregadores y proveedores de infraestructura independientes.

El enfoque abierto reduce varias formas de fricción. Una empresa puede elegir dónde se ejecuta la inferencia, inspeccionar una mayor parte de la pila de despliegue y modificar el software circundante. También puede cambiar de host sin abandonar necesariamente el modelo.

Los sistemas cerrados ofrecen una propuesta de valor distinta. Sus desarrolladores gestionan la infraestructura, los controles de seguridad, las actualizaciones y las herramientas integradas. Los clientes pueden recibir mejor soporte, responsabilidades más claras y acceso temprano a las capacidades propietarias de mayor rendimiento.

Las clasificaciones de OpenRouter exponen la tensión entre estos enfoques. Dentro de un agregador, el proveedor cerrado pierde parte del control sobre la presentación y las relaciones con los clientes. Los modelos aparecen junto a alternativas y los desarrolladores pueden comparar sus resultados en condiciones similares.

Ese entorno recompensa la flexibilidad de distribución. Un modelo de pesos abiertos alojado ampliamente puede seguir disponible en distintas regiones y proveedores. Si un endpoint se congestiona, el software puede redirigir solicitudes a otro lugar preservando el comportamiento básico de la aplicación.

Axios informó de que las empresas estadounidenses ya están considerando despliegues seguros de modelos chinos. Su análisis de costes y seguridad describió un modelo alojado en infraestructura estadounidense como una forma de separar el origen del modelo de la ubicación de los datos.

Esta separación no elimina todas las preocupaciones. Sí muestra por qué un marco simple de prohibir o comprar no capta cómo funciona la distribución de modelos. Los pesos, la empresa de hosting, el operador de la aplicación y la nube subyacente pueden pertenecer a organizaciones distintas.

Esta flexibilidad presiona a los laboratorios estadounidenses en dos direcciones. Deben justificar la prima asociada a sus modelos más potentes. También deben ofrecer opciones económicas para el gran volumen de solicitudes rutinarias que rodean las tareas de frontera.

Los laboratorios disponen de herramientas. Pueden lanzar modelos más pequeños, mejorar el almacenamiento en caché, ofrecer procesamiento por lotes, optimizar flujos de trabajo de agentes o introducir productos más abiertos. También pueden profundizar en integraciones que hagan sus plataformas más difíciles de sustituir.

Sin embargo, una integración más estrecha puede reforzar la disyuntiva de la plataforma cerrada. Un desarrollador gana comodidad mientras acepta una dependencia mayor de las herramientas, políticas y hoja de ruta de modelos de un solo proveedor. La adopción de pesos abiertos ofrece una vía de escape cuando esa dependencia resulta incómoda.

La historia competitiva importa. El ascenso internacional de DeepSeek mostró que un lanzamiento chino podía forzar una discusión inmediata sobre la economía de los modelos. Las empresas estadounidenses respondieron con ofertas menos costosas y productos de razonamiento más potentes.

El dominio actual sugiere que esa respuesta no puso fin al desafío. Los laboratorios chinos siguieron lanzando modelos, los desarrolladores siguieron probándolos y los agregadores facilitaron la sustitución. La presión resultante aparece ahora en varias familias de modelos, en lugar de un único lanzamiento sorpresa.

Esta es la inversión detrás de la clasificación. Las empresas estadounidenses siguen definiendo gran parte de la conversación en la frontera tecnológica, pero los sistemas chinos lideran la lista de uso visible dentro de un mercado organizado en torno a la opcionalidad.

Lo que las clasificaciones de OpenRouter no demuestran

Las clasificaciones de OpenRouter demuestran popularidad en OpenRouter, no liderazgo técnico universal, confianza empresarial ni dominio sobre toda la economía de la IA.

Esta limitación debe orientar toda interpretación de la afirmación de Google News. Según su investigación, OpenRouter atiende a millones de desarrolladores y usuarios, pero su población sigue siendo autoseleccionada. Los clientes que prefieren APIs directas nunca entran en la comparación.

Las suscripciones de consumo crean otro punto ciego. Una persona que utiliza ChatGPT, Claude o Gemini a través de una aplicación oficial puede generar una actividad considerable sin producir tráfico en OpenRouter. Las grandes organizaciones también pueden comprar acceso mediante acuerdos negociados con servicios en la nube.

El volumen de tokens en sí no equivale a ingresos, usuarios ni tareas completadas. Un modelo puede producir respuestas más largas, razonar mediante más pasos internos o atender aplicaciones con contextos inusualmente amplios. Estas características pueden elevar su recuento de tokens sin indicar una adopción más amplia.

El acceso gratuito y las promociones temporales también pueden alterar las clasificaciones. Los desarrolladores suelen probar a gran escala modelos recién disponibles, especialmente cuando un agregador reduce el coste de experimentar. Un pico de lanzamiento no se convierte automáticamente en demanda de producción duradera.

Las familias de modelos pueden tener perfiles de uso distintos. Los juegos de rol, la programación, la traducción, la búsqueda y los agentes automatizados consumen tokens de formas diferentes. Una clasificación que los combina puede revelar la actividad total mientras oculta qué cargas de trabajo la generaron.

El estudio de OpenRouter describe explícitamente sus registros como datos observacionales. Sus autores señalan que la disponibilidad, el precio y las preferencias de los usuarios afectan los resultados. Esto es una ventaja para estudiar el comportamiento del mercado, pero una limitación al hacer afirmaciones universales.

El liderazgo técnico también sigue sin estar resuelto. The Associated Press informó que el CEO de Arena, Anastasios Angelopoulos, considera a los modelos chinos competidores serios, aunque todavía por detrás de los líderes estadounidenses en capacidades generales.

Un modelo puede ocupar el primer puesto en uso y perder en una evaluación difícil. A la inversa, un líder en benchmarks puede seguir siendo demasiado caro o restrictivo para el trabajo rutinario de producción. El mercado está separando la capacidad máxima de la capacidad útil a escala.

La fiabilidad añade otra capa. Un agente debe seguir instrucciones, llamar correctamente a herramientas, recuperarse de errores y mantener la consistencia durante secuencias largas de tareas. Una demostración convincente no establece ese comportamiento en miles de ejecuciones de producción.

La capacidad puede convertirse en un problema tras un lanzamiento exitoso. The Associated Press informó que la demanda de Kimi K3 de Moonshot AI llevó a la empresa a suspender temporalmente las nuevas suscripciones. La popularidad puede exponer los límites de la infraestructura con la misma rapidez con la que valida la demanda.

Los datos de adopción de Kimi también mostraron un fuerte aumento de descargas tras su lanzamiento de julio. Las descargas indican interés, pero no muestran retención, conversión a pago ni uso empresarial sostenido.

La seguridad y la gobernanza siguen siendo barreras importantes. Las empresas necesitan saber adónde viajan los prompts, qué proveedor conserva los datos, qué registros se generan y si un modelo puede cumplir los requisitos contractuales. Las respuestas dependen del despliegue, no solo del país de origen del modelo.

La exposición regulatoria también depende del despliegue. Ejecutar pesos descargados dentro de un entorno controlado es distinto de enviar datos propietarios a un endpoint externo. Los equipos de compras deben evaluar toda la cadena en lugar de tratar todos los métodos de acceso como idénticos.

El comportamiento del modelo en torno a temas políticamente sensibles también merece pruebas. Las organizaciones deben evaluar los patrones de rechazo, la consistencia factual y los posibles sesgos según sus propios requisitos. El mismo escrutinio debe aplicarse a los sistemas estadounidenses, chinos y europeos.

Ninguna de estas limitaciones hace que el resultado del top cinco carezca de sentido. Definen lo que la evidencia respalda. OpenRouter muestra que los modelos chinos se han vuelto muy competitivos dentro de un amplio segmento de actividad de desarrolladores favorable al cambio de proveedor.

La conclusión prudente es más sólida que una afirmación generalizadora. Los proveedores chinos de modelos ya no dependen de la publicidad de los benchmarks para atraer atención. Están gestionando cargas de trabajo reales sustanciales en una plataforma donde las alternativas siguen estando disponibles de inmediato.

Por qué lo «suficientemente bueno» puede transformar la compra de IA

La clasificación importa porque las decisiones de compra cambian cuando los modelos capaces se convierten en componentes intercambiables en lugar de compromisos permanentes con una plataforma.

Las decisiones de IA empresarial antes se centraban en seleccionar un proveedor estratégico. Los equipos esperaban que un solo proveedor suministrara el chatbot, la API, los controles de seguridad y las futuras mejoras de los modelos. La rápida rotación de modelos ha debilitado esa premisa.

Un router de modelos permite que las aplicaciones asignen distintos sistemas a diferentes tareas. La extracción sencilla puede ir a un modelo, la generación de código a otro y el razonamiento sensible a una opción alojada internamente. La aplicación se convierte en la capa estable mientras los modelos rotan por debajo.

Esta arquitectura favorece a los proveedores que son fáciles de probar y sustituir. Los modelos de pesos abiertos encajan con ese requisito porque las organizaciones pueden moverlos entre hosts compatibles. Su distribución más amplia también reduce la dependencia de un único operador de API.

Este enfoque tiene costes. Los equipos deben mantener evaluaciones, observar fallos, gestionar prompts e investigar cambios de comportamiento. Cambiar de modelo es más fácil que reconstruir una aplicación, pero rara vez es un proceso sin esfuerzo.

Un ejemplo de Axios describió que la migración de una empresa a un modelo chino llevó meses y requirió más ingeniería de la esperada. Esa experiencia aconseja no tratar los movimientos de las clasificaciones como una conversión empresarial instantánea.

El trabajo operativo incluye establecer una línea de base. Un equipo necesita tareas representativas, resultados esperados, tasas de error aceptables, límites de latencia y requisitos de seguridad. Los benchmarks genéricos no pueden sustituir esas pruebas específicas de cada carga de trabajo.

Los desarrolladores también deben evaluar el uso de herramientas. Un agente que redacta prosa fluida aún puede fallar al formatear datos estructurados o llamar a un servicio externo. Pequeñas diferencias de error se multiplican a lo largo de secuencias automatizadas extensas.

Las tareas intensivas en conocimiento añaden la calidad de la recuperación de información a la ecuación. El modelo debe recibir el material fuente adecuado antes de poder producir una respuesta fiable. Las organizaciones suelen obtener más beneficios al mejorar el contexto y la evaluación que al perseguir cada cambio de clasificación.

Un flujo de trabajo de conocimiento disciplinado puede ayudar a los equipos a conectar evidencia interna con análisis generados por IA. También facilita las comparaciones entre modelos porque cada candidato recibe una base de información más consistente.

Los líderes de compras deben separar cuatro cuestiones que a menudo se confunden.

Capacidad

• ¿El modelo cumple los requisitos de precisión y razonamiento de la carga de trabajo?

• ¿Sigue siendo fiable en tareas de varios pasos y llamadas a herramientas?

Economía

• ¿Cuánta inferencia recurrente consume el flujo de trabajo?

• ¿Puede el enrutamiento, la caché o un modelo más pequeño reducir esa carga?

Control

• ¿Puede la organización elegir la ubicación de alojamiento y el proveedor de infraestructura?

• ¿Con qué rapidez puede sustituir el modelo si cambia la disponibilidad?

Riesgo

• ¿Qué datos salen de la organización?

• ¿Qué requisitos legales, de seguridad y de políticas se aplican a cada proveedor de la cadena?

Los modelos chinos pueden ganar las tres primeras categorías sin satisfacer la cuarta para todos los compradores. Los modelos estadounidenses cerrados pueden justificar una prima cuando la gobernanza, el soporte o la capacidad máxima pesan más que la eficiencia operativa.

Esto produce un mercado segmentado en lugar de un campeón permanente. Las startups y los desarrolladores independientes pueden priorizar el coste y la flexibilidad. Las empresas reguladas pueden mantener el trabajo sensible dentro de plataformas aprobadas mientras adoptan modelos alternativos en otros ámbitos.

The Atlantic describió GLM-5.2 como parte de un desafío más amplio a los costosos agentes de IA estadounidenses. Su análisis sobre la economía de los agentes también señaló que los proveedores estadounidenses tienen tiempo y recursos para responder.

Esa respuesta probablemente se centrará en las cargas de trabajo que ahora migran hacia alternativas más baratas. Los laboratorios cerrados pueden reducir la brecha económica, integrar modelos con software o hacer más eficientes sus sistemas más potentes. También pueden poner énfasis en la seguridad y la gobernanza como factores diferenciadores.

Los laboratorios chinos afrontan su propia prueba. Deben convertir la atención en capacidad fiable, soporte para desarrolladores y distribución internacional duradera. Un modelo popular que deja de estar disponible durante picos de demanda no puede servir de base para sistemas críticos de producción.

Por tanto, el dominio de OpenRouter marca el inicio de una competencia por las compras, no su conclusión. Da mayor poder de negociación a los compradores y obliga a cada proveedor a explicar por qué una carga de trabajo concreta debe mantenerse en su plataforma.

Qué deberían observar los lectores de Google News a continuación

Tres señales mostrarán si el dominio del top cinco representa una adopción duradera o una concentración temporal de tráfico en OpenRouter.

La primera señal es la permanencia en la clasificación después de que se desvanezca el interés del lanzamiento. El liderazgo mensual en tokens se vuelve más significativo si las mismas familias de modelos chinos se mantienen cerca de la cima durante varios ciclos de lanzamiento. Un giro rápido sugeriría que las promociones, la experimentación o una aplicación popular inflaron el resultado.

Los lectores deben observar tanto la cuota de tokens como la composición de las cargas de trabajo. Un uso estable en programación, agentes y automatización empresarial reforzaría el argumento de una adopción estructural. Una fuerte concentración en una categoría de entretenimiento o experimental debilitaría la afirmación empresarial más amplia.

La segunda señal es la respuesta de OpenAI, Anthropic y Google. Los modelos más baratos por sí solos confirmarían que la competencia china está influyendo en la economía. Una distribución más abierta o una mayor flexibilidad de alojamiento indicarían presión sobre la propia estrategia de plataforma cerrada.

Las mejoras de rendimiento también importan, pero deben medirse frente a tareas reales. Si los proveedores estadounidenses conservan una ventaja clara en agentes complejos, los compradores pueden justificar su uso selectivo. Si la brecha de calidad se reduce aún más, enrutar más trabajo a otros modelos será más fácil.

La tercera señal es el despliegue empresarial bajo una gobernanza formal. Los anuncios de proveedores de nube, empresas de software y negocios regulados revelarán si los modelos chinos pueden ir más allá de la experimentación de desarrolladores.

Un despliegue protegido en infraestructura estadounidense o europea sería especialmente significativo. Mostraría que los compradores pueden separar el origen de los pesos del modelo de la ubicación del procesamiento de datos. Los rechazos basados en cumplimiento normativo apuntarían en la dirección contraria.

La capacidad afectará a las tres señales. Moonshot AI y otros proveedores deben sostener la demanda sin restricciones prolongadas. Los socios de alojamiento fiables pueden ayudar, pero las organizaciones aún necesitan versiones de modelos predecibles y un soporte operativo claro.

Las políticas pueden cambiar el mercado con la misma rapidez. Las restricciones al acceso a modelos, al alojamiento o a las compras podrían frenar la adopción pese a una economía favorable. Las normas que se centran en la ubicación de los datos podrían, en cambio, favorecer despliegues controlados de pesos descargables.

La metodología de clasificación debe seguir siendo visible durante todo este debate. OpenRouter publica datos basados en el uso, y su conjunto de datos de clasificaciones registra los principales modelos públicos según los totales diarios de tokens. Esa transparencia permite a los analistas seguir los cambios sin tratar una sola instantánea como algo permanente.

Para los desarrolladores, la acción práctica es sencilla. Prueben cargas de trabajo representativas con al menos un modelo chino de pesos abiertos y un modelo cerrado líder. Registren la calidad, la latencia, el comportamiento ante fallos, la ubicación del alojamiento y el esfuerzo operativo.

Para los compradores empresariales, pregunten qué modelos ya están detrás del software que utiliza su organización. Un proveedor puede enrutar las solicitudes de forma dinámica sin mostrar el proveedor subyacente a todos los usuarios. La gobernanza no puede limitarse al nombre del producto en una orden de compra.

Para los trabajadores del conocimiento, la diversidad de modelos plantea un problema de evaluación. Un resultado más rápido o más barato solo es útil cuando las personas pueden rastrear las afirmaciones hasta material interno fiable. Mantengan los registros de las fuentes independientes de cualquier modelo que genere la respuesta final.

Google News mostró un resultado competitivo llamativo, pero los próximos tres meses determinarán su significado. Observen el uso sostenido de OpenRouter, las respuestas de los proveedores estadounidenses y los despliegues empresariales gobernados. En conjunto, esas señales mostrarán si los modelos de IA chinos están ganando un momento de plataforma o transformando el propio mercado de modelos.